ARTICLE · 1245588
微软这个开源神器,把PDF秒变Markdown喂给AI
微软这个开源神器,把PDF秒变Markdown喂给AI
图 1：从一堆格式各异的文件，到一份干净的标准文本，中间只差一条命令 你是不是也遇到过这种时刻：好不容易找齐了一份 PDF 合同、几页 Word 报告、一个 Excel 表格，想丢给 AI 帮你总结、帮你找条款，结果它要么答非所问，要么把表格读得七零八落。 再要么，你复制粘贴到一半，格式全乱，还得手动清理半天。 今天要安利一个解决这个问题的开源神器：微软出品的 MarkItDown。一句话介绍：把各种文件，一条命令转成标准 Markdown。它目前在 GitHub 上有大约 191k 星，是 AI 时代被用得最多的"文件预处理"工具之一。 01 它到底解决了什么问题 先看痛点。现在大家用 AI 处理文档，最常见的方式是直接把文件拖进去。但大模型读 PDF 靠的是自己内置的解析，碰到版式复杂、带表格、扫描件的情况，表现很不稳定：表格错位、乱码、引用到页眉页脚，都是家常便饭。 而且直接把 PDF 塞给模型，排版和分页信息都占上下文，token 消耗大，钱花得冤枉。 MarkItDown 的思路很简单：在喂给 AI 之前，先把文件转成干净的 Markdown——标题是标题、列表是列表、表格是表格，全变成纯文本结构。 
图 2：转换这一步放在最前面，后面的每一步都变省力 02 能吃的文件比你想象的宽 MarkItDown 不是只能转 PDF。文档、表格、PPT、邮件、图片，甚至音视频字幕，都有对应的转换器。 
图 3：文档、表格、邮件、图片、音视频，覆盖面很全 •PDF：论文、财报、合同、说明书，文字层直接保留，扫描件走 OCR •Word / PPT / Excel：会议纪要、报告、数据表格，标题层级和表格结构尽量还原 •Outlook 邮件：正文和附件一起转，适合批量归档 •图片 OCR：截图、扫描件里的字，转成可检索文本 •音频 / 视频：装对应扩展后，支持音频转写和 YouTube 字幕 •云文档智能：可以接 Azure 文档智能这类服务，企业场景识别率更高 装全量依赖 pip install 'markitdown[all]' 就能全部解锁。只转文档的话，基础版也够用。 03 为什么"先转成 Markdown"这么重要 直接喂 PDF，和先转 Markdown 再喂，是两种完全不同的体验。 
图 4：同样一份文件，输入的干净程度，直接决定 AI 输出的稳定程度 直接甩 PDF 给 AI：解析不稳定，长文档 token 消耗大，扫描件和复杂表格经常"抽不动"。 先转 Markdown 再喂：输入干净，输出才稳；文字量少了一大截，提问成本直线下降；而且转出来的文本能直接进全文搜索、进知识库，一份标准格式所有模型通吃。 一句话：转换花掉的那几秒，省的是后面每一次提问的钱和准确率。 04 三步上手，今天就能用 用起来非常简单，三条命令的事。 
图 5：安装、转换、开问，三步走完 第一步，装它： pip install 'markitdown[all]' 第二步，转它： markitdown 合同.pdf > 合同.md 第三步，喂它：把生成的 md 文件拖进任意大模型，让它总结、找条款、算数据，都行。想批量处理，写个循环就能把整个文件夹的文档全部转完。 Python 用户还能直接当库用： from markitdown import MarkItDown md = MarkItDown() result = md.convert("报表.xlsx") print(result.markdown) 05 我用了之后的真实感受 先说结论：这是我今年用得最值的一个开源工具。过去我要把一个扫描版合同变成能检索的文字，要么开 OCR 软件，要么手动录入，怎么也得折腾半小时。现在一条命令，几秒钟出文本，直接拖进 AI 提问。 第二个感受是它够"微软"——文档格式兼容性做得扎实，Word、Excel 转出来的结构，比我试过的不少第三方工具都干净。MIT 协议，商用也没顾虑，2026 年 9 月还刚发布了新版本。 要说缺点：音视频转写这类功能依赖额外服务和网络，不是纯离线；极度复杂的排版偶尔也会丢东西。但日常文档处理的 90% 场景，它都够用了。 如果你也在为"喂 AI 之前文件太乱"头疼，这个工具值得今晚就装上试试。它解决的不是一个炫酷问题，而是一个每天都会遇到的实在问题。 如果这篇文章对你有启发，欢迎点赞、在看、转发给你的朋友。关注我，持续分享技术杂谈与行业洞察。 内容验真 核心事实与来源： • MarkItDown 为微软开源项目（GitHub 仓库 microsoft/markitdown，MIT 协议）：GitHub 仓库信息。 • GitHub Star 约 191k（周增约 1.3k）：来源于 2026 年 10 月 findarepo 开源榜单数据，为榜单口径。 • 最新版本 0.1.8，2026-09-22 发布；支持 Python 3.10+：PyPI 官方页面（pypi.org/project/markitdown）。 • 安装命令 pip install 'markitdown[all]'、CLI 用法 markitdown path-to-file.pdf > document.md、Python API 示例：PyPI 官方页面原文。 • 支持的格式范围（PDF/Word/PPT/Excel/Outlook 邮件/图片 OCR/音频转写/YouTube 字幕/可接入 Azure 文档智能）：PyPI 页面提供的 extra 列表及项目说明。 不确定性说明：Star 数随榜单更新时间波动；音视频转写等扩展依赖额外服务与网络，离线场景不可用。文中体验描述为使用感受的表达，非官方背书。 配图说明：头图及文中配图均为 AI 生成示意图（无真实软件界面截图），用于辅助理解。
